第三章 收益率曲线入门

收益率曲线这东西，说白了就是债券市场的「体温计」。我做了这么多年利率模型，每次看市场第一件事就是瞄一眼曲线长什么样。它告诉你短期利率和长期利率之间的关系，背后藏着市场对经济的所有预期。

3.1 收益率曲线到底是什么？

先给个最直白的定义：收益率曲线是同一信用等级、不同期限债券的收益率连线。通常我们拿国债来做，因为国债没有信用风险，纯粹反映利率本身。

举个例子。假设今天市场上：

• 3个月国债收益率 2.0%
• 1年期国债收益率 2.5%
• 5年期国债收益率 3.0%
• 10年期国债收益率 3.2%
• 30年期国债收益率 3.3%

把这些点连起来，就是一条收益率曲线。横轴是期限，纵轴是收益率。

我个人习惯把收益率曲线分成三部分看：短端（1年以内）、中端（2-7年）、长端（10年以上）。短端受货币政策影响最大，长端反映经济增长和通胀预期。

3.2 三种经典曲线形态

我在项目中见过无数次曲线变脸，但万变不离其宗，就三种基本形态。

正常曲线（向上倾斜）

这是最常见的形态。短期收益率低，长期收益率高。为什么？因为借钱时间越长，不确定性越大，投资者要求更高的补偿——也就是期限溢价。

正常曲线说明市场预期经济温和增长，通胀可控。我2017年做美债模型时，大部分时间曲线都是这个形状。

倒挂曲线（向下倾斜）

短期收益率比长期还高，这就反常了。倒挂通常出现在加息周期的末端，市场预期经济要衰退，央行很快会降息。

倒挂的典型特征是：短端被加息推得很高，长端因为衰退预期涨不动。你想想看，如果大家都觉得半年后经济不行了，谁还愿意锁定高利率？

平坦曲线

长短端收益率差不多，曲线几乎水平。这通常是正常曲线和倒挂曲线之间的过渡状态。市场在观望，方向不明。

平坦曲线最让人头疼。做交易策略时，方向性押注很难赚钱。我一般建议这时候做曲线交易，比如做陡或做平策略。

3.3 曲线构建方法

你可能觉得，曲线不就是把收益率点连起来吗？嗯，没那么简单。市场上只有有限期限的债券在交易，比如3个月、6个月、1年、2年...但我们需要任意期限的收益率来做定价。

这就引出了曲线构建的核心问题：如何从离散的样本点得到连续的收益率曲线？

方法一：线性插值

最简单粗暴的方法。两个已知点之间画直线。比如1年期收益率2.5%，2年期收益率2.8%，那1.5年就是2.65%。

def linear_interpolate(t, t1, t2, y1, y2):
    """
    线性插值计算收益率
    t: 目标期限
    t1, t2: 已知期限
    y1, y2: 已知收益率
    """
    return y1 + (y2 - y1) * (t - t1) / (t2 - t1)

# 示例
y_1_5 = linear_interpolate(1.5, 1.0, 2.0, 0.025, 0.028)
print(f"1.5年期收益率: {y_1_5:.4f}")  # 输出: 0.0265

线性插值的问题很明显——曲线不够平滑，导数不连续。做衍生品定价时，这会导致对冲参数不稳定。

方法二：样条插值

我更喜欢用三次样条。它保证曲线二阶连续可导，看起来更自然。说白了，就是用分段三次多项式把点连起来。

import numpy as np
from scipy.interpolate import CubicSpline

# 已知数据点
maturities = np.array([0.25, 0.5, 1.0, 2.0, 3.0, 5.0, 7.0, 10.0, 20.0, 30.0])
yields = np.array([0.020, 0.022, 0.025, 0.028, 0.030, 0.032, 0.033, 0.034, 0.035, 0.036])

# 构建三次样条
cs = CubicSpline(maturities, yields)

# 预测任意期限
target = 4.5
pred_yield = cs(target)
print(f"{target}年期收益率: {pred_yield:.4f}")

方法三：参数化模型

这是机构最常用的方法。用少数几个参数描述整条曲线。最经典的是Nelson-Siegel模型：

def nelson_siegel(t, beta0, beta1, beta2, tau):
    """
    Nelson-Siegel收益率曲线模型
    t: 期限（年）
    beta0: 长期利率水平
    beta1: 短期利率偏离
    beta2: 曲率
    tau: 衰减因子
    """
    factor = (1 - np.exp(-t/tau)) / (t/tau)
    return beta0 + beta1 * factor + beta2 * (factor - np.exp(-t/tau))

# 拟合示例参数
params = {'beta0': 0.035, 'beta1': -0.015, 'beta2': 0.005, 'tau': 2.5}
t = np.linspace(0.1, 30, 100)
curve = nelson_siegel(t, **params)

Nelson-Siegel的好处是参数有经济含义：beta0是长期水平，beta1是斜率，beta2是曲率。做宏观分析时，看这几个参数的变化比看整条曲线方便得多。

3.4 知识体系总览

下面这张图把收益率曲线的核心逻辑串起来了。我每次培训都拿它当开场白：

这张图你看懂了吗？收益率曲线不是孤立的概念。它连接了期限结构、风险溢价和市场预期，最终服务于债券定价和风险管理。我每次做新项目，都会先画这么一张图，把知识点串起来。

3.5 实战中的选择

说了这么多方法，到底用哪个？我的建议是：

场景	推荐方法	原因
快速估值	线性插值	简单、计算快、不易出错
衍生品定价	三次样条	平滑性好，对冲参数稳定
宏观分析	Nelson-Siegel	参数有经济含义，便于解释
高频交易	多项式插值	计算效率最高

收益率曲线入门就讲到这里。记住三件事：曲线形态告诉你市场在想什么，构建方法决定了你的定价精度，而实战经验能帮你避开那些坑。嗯，这些够你消化一阵子了。

---

公众号:蓝海资料掘金营，微信deep3321